Machine learning-based vowel classification using two ultrasonic transducers in pulse-echo mode
Notice bibliographique
Résumé
This study investigated a simpler alternative to cumbersome multisensor systems (e.g., multi-channel EMG) for articulatory gesture recognition. The method was validated in a vowel classification task analyzing pulse-echo waveforms from articulatory muscles. Pulse-echo signals for five Japanese vowels and a neutral state were acquired from two male subjects (20s). Two 5-MHz ultrasonic transducers (UTs) with a diameter of 10 mm were placed on the chin near the digastric muscle. Signals were acquired using two pulser-receivers (pulse repetition frequency: 2 kHz) and an oscilloscope (sampling frequency: 625 MHz). Five 6-s trials (2 s neutral, 2 s vowel, 2 s neutral) were conducted for each vowel. Spatial features were obtained using a discrete wavelet transform and mean absolute value, while temporal features were derived from their time differences. After feature selection, k-nearest neighbors (kNN) and linear discriminant analysis (LDA) classifiers were trained. Performance was validated using trial-based 5-fold cross-validation. For comparison, the same experiments and analyses were conducted with UTs on both cheeks near the masseter muscles. The LDA classifier achieved higher accuracies of 94% (digastric muscle) and 83% (masseter muscle) compared to the kNN classifier with 80% and 70%, respectively. Similar results from the second subject support the method's effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».